WATCHDOG: an ontology-aWare risk AssessmenT approaCH via object-oriented DisruptiOn Graphs
University of Twente（特文特大学）；Free University of Bozen-Bolzano（博兹纳自由大学）；Radboud University（拉德博德大学）
本文提出本体感知的风险评估框架WATCHDOG，结合面向对象破坏图(DOGs)、DOGLog逻辑和DOGLang查询语言，扩展故障树与攻击树模型，使评估者能分析破坏传播、可能性与风险水平，并始终保持对风险对象核心作用的关注。
2025-06-30 cs.AI cs.LO
Beyond Ontology in Dialogue State Tracking for Goal-Oriented Chatbot
Yonsei Univ.（延世大学）；Onoma AI
本研究提出一种无需预定义本体论的对话状态跟踪方法，结合指令微调、提示策略与反幻觉机制，并利用变分图自编码器预测用户意图，在JGA上达到42.57%，超越现有无本体模型，提升了目标导向聊天机器人的适应性和准确性。
2024-10-30 cs.AI cs.CL
LLMBDC: Language Model for Biological Domains Oriented Clustering of Gene Ontology
Emory University（埃默里大学）
该研究针对GO富集分析的术语冗余问题，提出无需训练的LLMBDC框架，利用LLM零样本推理聚类GO术语为生物域，在AD和FXS数据集上较基线方法显著提升了聚类性能。
2026-08-04 cs.AI q-bio.GN
DORAEMON: Decentralized Ontology-aware Reliable Agent with Enhanced Memory Oriented Navigation
针对家庭服务机器人零样本导航中的时空不连续、记忆非结构化等问题，提出认知启发的DORAEMON框架，以腹侧和背侧流融合语义与策略，在HM3D等数据集上取得最优SR和SPL。
2025-09-25 cs.AI cs.RO
A practical approach to ontology-enabled control systems for astronomical instrumentation
KU Leuven（鲁汶大学）
尽管现代面向服务和面向数据的体系结构承诺提供松耦合的控制系统，但它们本质上是脆弱的，因为它们通常依赖于事先商定的接口和数据模型。与此同时，语义网和一整套伴随的标准和工具正在出现，提倡本体论作为知识交换的基础。在本文中，我们的目标是确定一些关键的想法，从无数的知识为基础的做法，可以很容易地实现今天的控制系统。我们演示了一个实际的例子（墨卡托望远镜的三通道成像仪）如何在Web本体语言（OWL）开发的本体可以作为我们的仪器的元模型，涵盖了许多工程方面的项目需要。我们展示了如何通过一组域特定语言（DSL），支持正式验证和生成的软件和文档工件的一个具体的系统模型可以建立在这个元模型之上。最后，我们的理由如何可用的语义可以暴露在运行时添加一个“语义层”，可以浏览，查询，监控等任何OPC UA启用客户端。
2013-10-21 astro-ph.IM cs.AI cs.SE
A Knowledge-Oriented Approach to Enhance Integration and Communicability in the Polkadot Ecosystem
MOBR Systems（MOBR系统公司）
本文提出包含领域本体 POnto 的概念框架，结构化表示 Polkadot 生态系统的概念与关系，以解决多链架构中数据分析和跨 parachains 可通信性挑战，并通过案例研究验证，促进基于 AI 的应用开发与生态增长。
2023-08-01 cs.AI cs.DC cs.IR
Rail Topology Ontology: A Rail Infrastructure Base Ontology
Siemens AG Österreich（西门子奥地利股份公司）
铁路基础设施的工程项目通常涉及许多子系统，这些子系统需要对规划和建造的基础设施及其底层拓扑结构进行一致的查看。一致性通常通过在使用基于XML的数据格式和基于UML的面向对象模型的工具之间交换和验证数据来确保。通过公共拓扑模型对这些数据表示进行更紧密的对齐可以减少铁路基础设施工程工具的开发工作。公共语义模型也是成功采用铁路知识图谱的先决条件。基于RailTopoModel标准，我们开发了铁路拓扑本体作为一个模型来表示铁路基础设施的核心功能，在一个符合标准的方式。本文介绍了本体及其开发方法，并讨论了其适用于集成数据的铁路工程系统和其他来源的知识图谱。通过铁路拓扑本体，软件工程师和知识科学家拥有了一个基于标准的本体，用于表示铁路拓扑，以集成断开连接的数据源。我们将铁路拓扑本体用于我们的铁路知识图谱，并计划通过从现有数据交换标准导出的铁路基础设施本体对其进行扩展，因为许多此类标准使用与所提出的本体相同的基础模型，即，RailTopoModel。
2021-07-09 cs.AI
Dialogue Ontology Relation Extraction via Constrained Chain-of-Thought Decoding
Heinrich Heine University Düsseldorf（杜塞尔多夫海因里希·海涅大学）
本文针对无标注对话数据的本体关系抽取问题，提出将思维链解码约束到本体术语和关系的生成式方法，以降低幻觉风险，并在两个数据集上验证了其在微调和单样本大模型上的性能提升。
2025-03-07 cs.AI cs.CL cs.LG
Towards Ontology Reshaping for KG Generation with User-in-the-Loop: Applied to Bosch Welding
Bosch Center for AI（博世人工智能中心）；University of Oslo（奥斯陆大学）；Nanjing University（南京大学）
知识图谱（KG）在广泛的应用中使用。由于工业中的数据量和多样性，KG生成的自动化是非常期望的。生成领域知识库的一个重要方法是将原始数据映射到给定的领域知识库模式，即领域本体，并根据领域本体构造实体和属性。然而，这种本体的自动生成是苛刻的，现有的解决方案往往不能令人满意。一个重要的挑战是本体工程的两个原则之间的权衡：面向知识和面向数据。前者规定本体应建模领域的一般知识，而后者强调反映数据的特殊性，以确保良好的可用性。我们通过我们的本体重塑方法来解决这一挑战，该方法将给定的领域本体转换为较小的本体，作为KG模式。领域本体可以被设计为面向知识的，KG模式覆盖了数据的特性。此外，我们的方法允许在循环中包含用户偏好的选项。我们展示了我们正在进行的本体重塑研究，并提出了一个评估使用真实的工业数据，有希望的结果。
2022-09-22 cs.AI
A system of serial computation for classified rules prediction in non-regular ontology trees
Sheffield Hallam University（谢菲尔德哈勒姆大学）
规则的对象或结构具有统一的尺寸。基于规则模型的概念，我们以前的研究工作已经开发了一个系统的规则本体模型的学习结构在多智能体系统统一的预评估在学习环境中。这种规则本体导致了分类规则学习算法的建模，该算法预测多智能体系统中的归纳学习过程和决策所需的规则的实际数量。但并不是所有的过程或模型都是有规律的。因此，本文提出了一个系统的多项式方程，可以估计和预测所需的规则的数量的非正规本体模型给定一些定义的参数。
2016-04-08 cs.AI
An ontology for the formalization and visualization of scientific knowledge
Université de Genève（日内瓦大学）
这里提出的科学知识对象的本体论的构建是面向科学知识可视化的方法的发展的一部分。它的动机是这样一个事实，即用于组织科学知识（定理，定律，经验，证明等）的概念。出现在现有的本体论，但这些本体论都没有集中在这个主题，并提出了一个简单的，易于理解的组织。该本体是通过1）选择出现在高级本体或特定领域的知识对象的本体中的概念和2）通过采访不同领域的科学家来构建的。我们已经将这个本体与所使用的一些源对齐，这使我们能够验证它与它们的一致性。本体论的验证在于使用它来形式化来自各种来源的知识，我们已经开始在物理学领域这样做。
2021-07-13 cs.AI cs.DL cs.LO
CIRO: COVID-19 infection risk ontology
National Institute of Advanced Industrial Science and Technology (AIST)（独立行政法人产业技术综合研究所）；Research Organization of Information and Systems（信息·系统研究机构）；The University of Tokyo（东京大学）；Kitami Institute of Technology（北见工业大学）
本研究提出COVID-19感染风险本体CIRO，基于RDF和SPARQL构建知识图谱以自动化评估个人感染风险，减轻日本公共卫生官员接触者追踪的工作负担，实验验证了其推理有效性并明确了待解决的部署问题。
2023-08-07 cs.AI cs.CY
Toward Effective and Reliable LLM Agents via Dynamic Ontology
本文提出OaK框架，通过动态构建优化面向任务的本体论，在TravelPlanner等数据集上验证其可提升LLM智能体的证据基础与多步推理可靠性。
2026-08-25 cs.AI
Class Algebra for Ontology Reasoning
类代数为可能不知道彼此定义的用户之间共享ISA层次结构提供了一个自然的框架。这允许来自关系数据库、面向对象数据库和标记的XML文档的数据被联合到一个分布式本体中，可由所有用户共享，而不需要事先协商或为每个领域开发“标准”本体。此外，类代数在类的类代数定义（即它的“意图”）和满足表达式的所有实例的集合（即它的“范围”）之间产生函数对应。因此，该框架有助于快速查找各种定义的实例和反例。在开发真实世界的模型时，这种信息非常有价值，并且可以作为一种宝贵的工具来帮助证明与这些类代数表达式有关的定理。最后，ISA层次结构中对象的相对频率可以产生有用的布尔概率代数。传统的信息理论分类方法可以使用这些概率来获得对数据库中的对象进行分类的最佳方式。
2013-02-02 cs.AI
F -- A Model of Events based on the Foundational Ontology DOLCE+DnS Ultralite
University of Koblenz-Landau（科布伦茨-兰道大学）
本文提出基于DOLCE+DnS Ultralite的正式事件模型Event-Model-F，以支持事件时空、对象、关系表示及组合与解释，提升分布式事件系统互操作性。
2024-11-25 cs.AI
A Survey on Semantic Modeling for Building Energy Management
LASIGE, DI, Faculdade de Ciências, Universidade de Lisboa, Portugal（里斯本大学科学学院激光工程与信息研究所）
综述建筑运行阶段语义建模，分析60个模型和20多个用例，提出本体证据完备性指标，发现物理结构覆盖好而动态概念覆盖不足，指出提升互操作性和泛化能力的方向。
2026-09-07 cs.AI
Modeling of Item-Difficulty for Ontology-based MCQs
Indian Institute of Technology Madras（印度理工学院马德拉斯分校）；Umm Alqura University（乌姆古拉大学）
可以从领域本体生成的多项选择题（MCQ）可以显着减少在电子学习环境中编写和管理评估所需的人力和时间。尽管存在用于从本体生成MCQ的各种方法，但是用于确定这样的MCQ的难度级别的方法较少探索。在本文中，我们研究了各个方面和因素，参与确定的难度得分的MCQ，并提出了一个基于本体的预测模型。该模型描述了与MCQ的词干和选择集相关的难度值，并描述了结合这两个分数的度量。此外，基于考生的技能水平分配难度分数的概念被用来预测一个茎的难度分数。我们研究了预测的难度分数的有效性的帮助下，从项目反应理论的心理测量模型，通过涉及真实的学生和领域专家。研究结果表明，被试的预测难度水平与实际难度水平具有高度的相关性。
2016-07-04 cs.AI
An Ontology-based Context Model in Intelligent Environments
National University of Singapore（新加坡国立大学）；Institute for Infocomm Research（信息通信研究院）
如今，计算变得越来越移动和普及;这些变化意味着应用程序和服务必须意识到并适应高度动态环境中不断变化的上下文。今天，由于智能环境中缺乏适当的基础设施支持，构建上下文感知系统是一项复杂的任务。上下文感知基础设施需要一个适当的上下文模型来表示、操作和访问上下文信息。在本文中，我们提出了一个形式化的上下文模型，基于本体使用OWL解决的问题，包括语义上下文表示，上下文推理和知识共享，上下文分类，上下文依赖和上下文的质量。这个模型的主要好处是能够对各种上下文进行推理。基于我们的上下文模型，我们还提出了一个面向服务的上下文感知中间件（SOCAM）架构的上下文感知服务的建设。
2020-03-06 cs.AI cs.DC
RIO: Minimizing User Interaction in Ontology Debugging
Alpen-Adria Universität（阿尔卑斯-亚德里亚大学）
高效的本体调试是语义Web环境中许多活动的基石，特别是当自动工具产生本体（部分）时，例如在本体匹配领域。目前已知的最好的交互式调试系统依赖于一些Meta信息的故障概率，这可以加快调试过程中的好的情况下，但也可以在坏的情况下的性能产生负面影响。问题在于，对Meta信息的评估只能在事后进行。因此，只要实际故障未知，就总是存在一些次优交互诊断区分的风险。作为一种替代办法，人们可能更愿意依靠一种追求无风险战略的工具。然而，在这种情况下，可能无法利用精心选择的Meta信息，从而再次导致低效的调试操作。在这项工作中，我们提出了一个强化学习策略，不断适应其行为取决于实现的性能，并最大限度地减少使用低质量的Meta信息的风险。因此，该方法适用于难以获得可靠的先验故障估计的应用场景。在本体匹配领域使用有问题的本体，我们表明，建议的风险感知查询策略优于主动学习方法和无风险的策略，平均而言，所需的用户交互量。
2012-09-17 cs.AI
Supporting Cybersecurity Risk Management for Medical Devices via the SECUMAN Ontology and Shapes
Faculty of Computer Science, TU Dresden（德累斯顿工业大学计算机学院）；Else Kröner Fresenius Center for Digital Health（Else Kröner Fresenius数字健康中心）；secunet Security Networks AG（secunet安全网络股份公司）
研究针对医疗设备网络安全风险管理文档维护难的问题，提出SECUMAN本体与形状，结合OWL和SHACL实现文档初验、可追溯性及集成，对齐相关标准与本体并扩展网络安全相关概念。
2026-08-04 cs.AI cs.CR
Ontology-based Representation and Reasoning on Process Models: A Logic Programming Approach
National Research Council（国家研究委员会）
我们提出了一个基于逻辑编程的框架，从程序和本体论的角度来表示和推理业务流程。具体而言，我们的目标有三个方面：（1）为基于本体的注释丰富的流程模型定义一种逻辑语言和形式化语义;（2）提供一种有效的推理机制，支持处理流程模型的结构定义、其行为和与参与业务实体相关的领域知识的推理服务的组合;（3）将该理论框架实现为一个过程建模与推理平台。为此，我们定义了一个过程本体处理流行的BPMN建模符号的相关片段。流程的行为语义被定义为一个状态转换系统，遵循类似于Fluent Calculus的方法，并允许我们根据活动制定的前提条件和影响来指定状态变化。然后，我们展示了如何将程序化过程知识与使用OWL 2 RL基于规则的本体语言指定的领域知识无缝集成。我们的框架提供了广泛的推理服务，包括CTL模型检验，这可以通过使用标准的逻辑编程推理引擎，通过一个面向目标的，高效的，健全的和完整的评估过程。我们还提出了一个软件环境实现所提出的框架，我们报告的系统，其结果是令人鼓舞的，并显示该方法的可行性的实验评估。
2014-10-07 cs.AI
pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning
Indian Institute of Information Technology Allahabad（印度阿拉哈巴德信息技术学院）
该团队针对LLMs4OL 2026挑战赛的两个本体学习任务，采用检索增强生成与词汇约束过滤方法，取得了特定指标结果，但存在未提取非分类关系的局限。
2026-09-02 cs.AI
A RAG Approach for Generating Competency Questions in Ontology Engineering
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）
针对本体工程中能力问题生成依赖专家、耗时费力的问题，提出基于检索增强生成（RAG）的方法，以领域科学论文为知识库自动生成CQs，实验表明该方法比零样本提示性能更优。
2025-02-11 cs.AI
Mathematical Knowledge Graph-Driven Framework for Equation-Based Predictive and Reliable Additive Manufacturing
Gachon University（嘉泉大学）
本研究提出基于数学知识图谱的框架，结合大语言模型与增材制造知识图谱，实现可靠的知识提取和外推建模，提升预测的准确性和物理一致性。
2026-01-08 cs.AI
Ontology in Hybrid Intelligence: a concise literature review
University of Technology Sydney（悉尼科技大学）
本文综述了Ontology在Hybrid Intelligence中的应用，指出其在提升质量、互操作性和可解释性方面作用显著（70+%系统已应用），但指出文献缺乏对下一代混合智能环境的整体讨论及对自动推理的明确关注。
2023-10-17 cs.AI
Distributional semantic modeling: a revised technique to train term/word vector space models applying the ontology-related approach
受最近的本体相关方法（使用不同类型的上下文知识，如句法知识、术语知识、语义知识等）的启发，我们设计了一种基于神经网络的分布式语义建模方法--术语向量空间模型。能够识别术语（术语抽取）和它们之间的关系（关系抽取）的技术称为语义预处理技术-- SPT。我们的方法依赖于从自然语言文本中自动提取术语，并随后形成面向问题或面向应用（也有深度注释）的文本语料库，其中基本实体是术语（包括非成分和成分术语）。这给了我们一个从分布式词表示（或词嵌入）转换到分布式词表示（或词嵌入）的机会。这种转换将允许生成不同主题域的更准确的语义映射（也是输入术语之间的关系-这对于探索集群和对立或测试您对它们的假设很有用）。语义映射可以使用Vec 2graph表示为一个图，Vec 2graph是一个Python库，用于将词嵌入（在本例中为术语嵌入）可视化为动态和交互式图。结合术语嵌入的Vec 2graph库不仅可以提高解决标准NLP任务的准确性，还可以更新自动化本体开发的传统概念。我们工作的主要实际成果是开发工具包（表示为Web服务API和Web应用程序的工具包集），它提供了所有必要的例程，用于基本的语言预处理和乌克兰语自然语言文本的语义预处理，用于将来的术语向量空间模型的训练。
2020-03-06 cs.AI cs.CL
First steps in the logic-based assessment of post-composed phenotypic descriptions
Universitat Jaume I de Castelló（卡斯特利翁海梅一世大学）；European Bioinformatics Institute（欧洲生物信息研究所）；University of Oxford（牛津大学）
在本文中，我们提出了一个初步的逻辑为基础的评估整合后组成的表型描述与领域本体。评价已经进行了使用描述逻辑推理与可扩展的技术：本体模块化和本体之间的逻辑差异的近似。
2010-12-08 cs.AI cs.LO
EPPC-OASIS: Ontology-Aware Adaptation and Structured Inference Refinement for Electronic Patient-Provider Communication Mining in Secure Messages
Yale University（耶鲁大学）；Cleveland Clinic Lerner College of Medicine of Case Western Reserve University, Cleveland Clinic（克利夫兰医学中心勒纳医学院，克利夫兰医学中心）；Medical Oncology, Yale School of Medicine（耶鲁医学院医学肿瘤学）
提出EPPC-OASIS框架，通过本体感知的Wasserstein对齐目标增强微调，并结合推理精炼步骤，从安全消息中自动提取结构化EPPC编码，在多个语言模型上取得一致改进。
2026-05-22 cs.AI
OntoLogX: Ontology-Guided Knowledge Graph Extraction from Cybersecurity Logs with Large Language Models
Department of Information Engineering, University of Brescia, Italy（博洛尼亚大学信息工程系，意大利）；Department of Computer Science, University of Turin, Italy（都灵大学计算机科学系，意大利）；School of Computer Science and Informatics, Cardiff University, United Kingdom（卡迪夫大学计算机科学与信息学学院，英国）；Department of Electronics and Computer Science, University of Southampton, United Kingdom（南安普顿大学电子与计算机科学系，英国）
OntoLogX利用大型语言模型和知识图谱技术，从网络安全日志中提取结构化信息，通过检索增强生成和迭代校正，生成符合语义的知识图谱，并预测MITRE ATT&CK战术。
2026-04-24 cs.AI
Structure Extraction in Task-Oriented Dialogues with Slot Clustering
UCLA（加州大学洛杉矶分校）；Salesforce AI Research（赛富时人工智能研究院）
从对话数据中提取结构信息可以帮助我们更好地理解用户和系统的行为。在面向任务的对话中，对话结构通常被认为是对话状态之间的转换图。然而，手动注释对话状态是昂贵且耗时的。在本文中，我们提出了一个简单而有效的方法，用于面向任务的对话结构提取。我们首先使用预先训练的模型检测和聚类可能的槽令牌，以近似目标域的对话本体。然后我们跟踪每个已识别令牌组的状态并推导出状态转换结构。实验结果表明，我们的方法优于无监督的基线模型在对话结构提取。此外，我们表明，数据增强的基础上提取的结构丰富的表面格式的训练数据，可以实现显着的性能提升，在对话响应生成。
2022-03-15 cs.AI cs.CL
Act-Aware Slot-Value Predicting in Multi-Domain Dialogue State Tracking
Georgia Institute of Technology（佐治亚理工学院）
作为面向任务的对话系统的重要组成部分，对话状态跟踪（DST）的目的是跟踪人机交互，并生成用于管理对话的状态表示。对话状态的表示依赖于领域本体和用户的目标。在几个目标范围有限的面向任务的对话中，对话状态可以表示为一组槽值对。随着对话系统的能力扩展到支持越来越自然的通信，将对话行为处理纳入对话模型设计变得至关重要。缺乏这样的考虑限制了具有特定目标和本体的对话的对话状态跟踪模型的可扩展性。为了解决这个问题，我们制定并纳入对话行为，并利用机器阅读理解的最新进展，预测分类和非分类类型的插槽多域对话状态跟踪。实验结果表明，我们的模型可以提高对话状态跟踪的MultiWOZ 2.1数据集上的整体准确性，并表明，纳入对话行为可以指导未来面向任务的对话系统的对话状态设计。
2022-08-04 cs.AI cs.CL
Towards Reliable and Empathetic Depression-Diagnosis-Oriented Chats
Shanghai Jiao Tong University（上海交通大学）；University of Wisconsin - Madison（威斯康星大学麦迪逊分校）
本文针对抑郁症诊断对话需兼顾专业性与共情的问题，提出融合任务导向可靠性和共情闲聊的本体定义与生成框架，并在 D$^4$ 上验证其可显著提升任务完成与情感支持生成。
2024-04-07 cs.AI cs.CL
A Risk Ontology for Evaluating AI-Powered Psychotherapy Virtual Agents
Northeastern University（东北大学）
本文提出一种专门用于系统评估对话式AI心理治疗师的风险本体，通过整合文献、专家访谈和临床标准，支持监测真实交互、模拟患者评估、基准比较和识别意外结果，以促进AI心理健康支持的安全创新。
2025-09-20 cs.AI cs.CL cs.HC
Ontology-based Design of Experiments on Big Data Solutions
NATO STO Centre for Maritime Research and Experimentation (NATO STO-CMRE)（北约科技组织海事研究与实验中心）；Institut de Recherche de l’École Navale (IRENav)（法国海军学院研究所）
大数据解决方案旨在处理大量和广泛的数据，这些数据需要以高速度摄取并具有潜在的准确性问题，挑战通常被称为“大数据的4V”的特征。为了评估可能复杂的大数据解决方案，压力测试需要评估大量的子组件组合以及可能的大数据变化。大数据解决方案的实验设计（DoE）的正式化旨在确保实验的可重复性，促进子实验的划分，并保证其结果在全球评估中的一致性。在本文中，提出了一种基于本体的方法，以支持大数据系统的评估在两个方面。首先，该方法形式化了大数据解决方案的分解和重组，允许在组件间级别聚合组件评估结果。其次，现有的工作DoE被翻译成一个本体，以支持选择的实验。所提出的基于本体的方法提供了可能性，从评估域和应用领域的知识相结合。它利用域和域间的特定限制的因素组合，以减少实验的数量。与现有的方法相反，本体论的拟议使用不限于断言描述和利用过去的实验，但从头开始的能源部的发展提供了更丰富的术语描述。作为一个应用示例，选择了通过移动性分析检测和预测船舶可疑行为问题的海事大数据解决方案。文章最后对今后的工作作了展望。
2019-04-18 cs.AI
Memory as Ontology: A Constitutional Memory Architecture for Persistent Digital Citizens
本文提出记忆作为本体的范式，设计了Animesis系统，针对持久数字公民的生命周期问题，强调身份连续性而非检索性能。
2026-03-05 cs.AI cs.MA
Km4City Ontology Building vs Data Harvesting and Cleaning for Smart-city Services
University of Florence（佛罗伦萨大学）
目前，地方政府提供大量公共和私人数据集。在大多数情况下，它们在语义上是不可互操作的，需要大量的人力来为智慧城市创建集成的本体和知识库。智慧城市本体尚未标准化，需要进行大量的研究工作来识别能够轻松支持数据协调、管理复杂性、允许数据推理的模型。在本文中，智能城市相关方面的数据摄取和协调系统，如道路图，道路上可用的服务，交通传感器等，本文提出该系统允许管理来自各种来源的大数据量的数据，同时考虑静态和动态数据。这些数据被映射到一个名为KM 4City（城市知识模型）的智能城市本体，并存储到一个RDF-Store中，通过SPARQL查询为应用程序提供数据，从而通过公共管理和企业的特定应用程序为用户提供新的服务。本文介绍了在开放和私有数据的基础上产生本体和知识库馈送的大数据架构的过程，以及用于数据验证、协调和验证的机制。还提供了关于可能使用所产生的连贯大数据知识库的一些例子，可从RDF-Store和相关服务中查阅。本文还介绍了协调算法的研究工作，以及它们的比较评估和选择。
2015-08-05 cs.AI cs.CY cs.DB
Human Activity Recognition Models in Ontology Networks
University of Genoa（热那亚大学）；Teseo s.r.l.（Teseo有限责任公司）
我们提出了阿里安娜+，一个框架来设计网络的本体表示知识，使灵巧家庭进行人类活动识别在线。在网络中，节点是允许各种数据情境化的本体，而边缘是阐述数据的通用计算程序。Arianna+在过程和语句的输入和输出之间提供了一个灵活的接口，这些过程和语句是本体知识的原子表示。Arianna+通过采用基于逻辑的推理，根据事件安排程序，即，通过检查本体中的某些语句的分类。每个过程都涉及输入和输出语句，这些语句在基于特定先验知识的本体中被不同地上下文化。Arianna+允许设计在多个上下文中编码数据的网络，作为参考场景，我们提出了一个模块化网络，该网络基于所有活动之间共享的空间上下文和针对每个待识别活动的时间上下文。在本文中，我们认为，一个网络的小本体更容易理解，并具有减少计算负荷比一个单一的本体编码相同的知识。Arianna+在同一架构中集成了异构数据处理技术，这些技术可能更适合不同的上下文。因此，我们没有提出一种新的算法方法来识别活动，相反，我们专注于架构方面，以适应基于逻辑和数据驱动的活动模型，在面向上下文的方式。此外，我们还讨论了如何利用数据上下文和推理活动识别，并支持由领域专家驱动的迭代开发过程。
2021-05-05 cs.AI cs.LO cs.SE
A Circular Construction Product Ontology for End-of-Life Decision-Making
Newcastle University（纽卡斯尔大学）；Northumbria University（诺森比亚大学）；Carleton University（卡尔顿大学）；Cardiff University（卡迪夫大学）
本文提出CCPO本体框架，通过统一词汇、整合产品来源数据并利用符合欧洲标准与循环性SLA的SWRL规则，为建筑产品提供自动化EoL决策建议。
2025-03-17 cs.AI cs.DB
An Ontology for Unified Modeling of Tasks, Actions, Environments, and Capabilities in Personal Service Robotics
Vrije Universiteit（弗里堡大学）
本文提出OntoBOT本体，统一建模个人服务机器人的任务、动作、环境与能力，并在TIAGo、HSR、UR3和Stretch四个具身智能体上验证其支持情境感知推理、任务导向执行和知识共享的泛化能力。
2025-09-26 cs.AI cs.RO
A Parametric Similarity Method: Comparative Experiments based on Semantically Annotated Large Datasets
Italian National Agency for New Technologies, Energy and Sustainable Economic Development (ENEA)（意大利国家新技术、能源与可持续经济发展局（ENEA））；Casaccia Research Centre（卡萨恰研究中心）
我们提出的参数化方法SemSimp旨在衡量数字资源的语义相似性。SemSimp基于信息内容的概念，它利用了参考本体和分类推理，包括用于加权本体概念的不同方法。特别地，可以通过考虑可用的数字资源或给定领域的参考本体的结构来计算权重。SemSimp的评估对六个有代表性的语义相似性的方法比较在文献中提出的概念集，通过进行实验，包括统计分析和专家判断评估。为了实现可靠的评估的目的，我们使用了一个真实世界的大型数据集的基础上的数字图书馆的计算机协会（ACM），和一个参考本体来自ACM计算分类系统（ACM-CCS）。对于每种方法，我们考虑了两个指标。第一个问题涉及的置信度，以确定属于一些特殊问题的论文之间的相似性，从信息系统杂志的ACM交易，第二皮尔逊相关与人类的判断。结果表明，SemSimp的配置之一优于其他评估方法。在物理学领域进行的额外实验表明，一般来说，SemSimp比其他相似性方法提供更好的结果。
2023-02-08 cs.AI
A Benchmark for Gap and Overlap Analysis as a Test of KG Task Readiness
Rensselaer Polytechnic Institute, Troy, New York, United States（伦斯勒理工学院，纽约州特洛伊市，美国）；Prudential Financial, Inc.（保德信金融集团）
本文提出一个可执行且可审计的基准，用于评估知识图谱的质量，通过将自然语言合同文本与形式本体对齐，系统比较方法。该基准包括简化但多样的人寿保险合同、领域本体和知识库，以及58个结构化场景和SPARQL查询，展示显式建模提升空缺和重叠分析的一致性和诊断能力。
2026-04-12 cs.AI
GeoOutageBench: Benchmarking Ambiguity-aware, Ontology-grounded Geospatiotemporal KGQA for Multimodal Power Outage and Resilience Analysis
University of Central Florida（中佛罗里达大学）；Case Western Reserve University（凯斯西储大学）
GeoOutageBench是一个新基准，用于评估大语言模型在多模态停电与韧性分析中的地理时空知识图谱问答，涵盖模糊问题理解、本体效用和答案准确性，并提供了设计原则和开源资源。
2026-09-30 cs.AI cs.CL cs.IR
Authoring and Management of Transparent Research Integrity Assessments of Randomised Clinical Trial Publications Using LLM-assisted Tools and Provenance Knowledge Graphs
Interdisciplinary Institute, University of Aberdeen（阿伯丁大学跨学科研究所）；University of Aberdeen（阿伯丁大学）；Indiana University（印第安纳大学）；University of Manchester（曼彻斯特大学）；Aberdeen Centre for Evaluation, University of Aberdeen（阿伯丁大学阿伯丁评估中心）；University of Auckland（奥克兰大学）
本文介绍了基于LLM的INSPECT-AI工具，结合INSPECT-SR框架与RIPE-O本体，生成含140项评估的RIPE-KG，用于辅助人工评估已发表RCT的研究完整性。
2026-08-10 cs.AI
Search-Optimized Quantization in Biomedical Ontology Alignment
CNRS（法国国家科学研究中心）；Univ. Lille（里尔大学）；UMR 8163 - STL - Savoirs Textes Langage（知识文本语言联合研究单位）；UMR 9189 - CRIStAL - Centre de Recherche en Informatique Signal et Automatique de Lille（里尔计算机、信号与自动化研究中心）
本文提出一种基于Transformer和余弦语义相似度的生物医学本体对齐方法，并通过Microsoft Olive搜索与Intel动态量化优化，在DEFT 2020两项任务上取得最优结果，实现20倍推理加速和约70%内存降低。
2025-09-20 cs.AI cs.LG math.OC
A Review of Multilingualism in and for Ontologies
University of Cape Town（开普敦大学）
多语言语义网已经被关注了十多年。关联数据和RDF中的多语言性已被大量采用，但自15年前的上次审查以来，本体论的情况尚不清楚。OWL的设计目标之一是国际化，目的是使本体可以跨语言和文化使用。与此同时，许多改进多语言本体的研究已经进行，并且推测多语言链接数据可以使用多语言本体。因此，本次审查旨在（一）阐明和比较多语言本体的建模选项，（二）检查现存的本体的多语言性，及（三）评估本体编辑器管理多语言本体的能力。确定了九种不同的对本体中的多语言性进行建模的主要方法，这些方法分为以下方法之一：使用多语言标签、语言模型或基于映射的方法。他们比较设计的特设可视化模式的建模多语言信息的本体，缺点，以及他们的目标是解决什么问题。对于本体，我们从BioPortal和LOV存储库中提取了生产级和可访问的本体，这两个存储库最多分别有6.77%和15.74%的多语言本体，其中大多数只有部分翻译，并且它们都只使用基于标签的方法。基于管理多语言本体的九个工具要求，对七个相关本体编辑器的评估表明，在工具支持方面存在重大差距，VocBench 3最接近于满足所有这些要求。这种盘点可以作为一个新的基线，并激励新的研究方向的多语言本体。
2022-10-06 cs.AI
Description-Driven Task-Oriented Dialog Modeling
Google Research（谷歌研究院）
任务导向对话（task oriented dialogue，TOD）系统需要从对话中识别关键信息，以完成给定的任务。这样的信息通常根据包含在特定于任务的本体或模式中的意图和槽来指定。由于这些模式是由系统开发人员设计的，因此插槽和意图的命名约定在任务之间并不统一，并且可能无法有效地传达其语义。这可能导致模型记忆数据中的任意模式，从而导致次优性能和泛化。在本文中，我们建议，模式应修改取代名称或符号完全与自然语言的描述。我们表明，语言解释驱动的系统表现出更好的理解任务规范，更高的性能状态跟踪，提高数据效率，有效的zero-shot转移到看不见的任务。遵循这种模式，我们提出了一个简单而有效的描述驱动的对话框状态跟踪（D3 ST）模型，它完全依赖于模式描述和“索引拾取”机制。我们证明了我们的方法在质量、数据效率和鲁棒性方面的优越性，如在MultiWOZ上测量的（Budzianowski等人，2018）、SGD（Rastogi等人，2020），以及最近的SGD-X（Lee等人，2021）基准。
2022-01-21 cs.AI cs.CL
Evaluating Adaptive Personalization of Educational Readings with Simulated Learners
School of Computing and Augmented Intelligence（计算与增强智能学院）；Arizona State University（亚利桑那州立大学）
本文提出框架，通过理论指导的模拟学习者评估教育阅读材料的自适应个性化，通过构建学习目标和知识组件本体，生成对齐的阅读评估对，结果显示自适应阅读在计算机科学中有显著提升，在无机化学中略有提升，在一般生物学中则无明显效果。
2026-05-13 cs.AI cs.CL cs.HC
How Users Explore Ontologies on the Web: A Study of NCBO's BioPortal Usage Logs
Stanford University（斯坦福大学）；Graz University of Technology（格拉茨技术大学）；GESIS（莱布尼茨社会科学研究所）；University of Koblenz-Landau（科布伦茨-兰道大学）
生物医学领域的本体论数量众多，高度专业化，开发成本非常昂贵。因此，本体采用和重用的一个重要前提是有效地支持探索和发现现有的本体。为了实现这一目标，国家生物医学本体中心（NCBO）开发了BioPortal-一个在线知识库，旨在支持用户探索和查找500多个现有的生物医学本体。2016年，BioPortal是探索语义生物医学词汇和术语的最大门户之一，被许多研究人员和从业者使用。虽然这个门户的使用率很高，但我们对用户究竟如何搜索和探索本体以及首先存在什么样的使用模式或用户组知之甚少。深入了解用户在这些门户网站上的行为可以提供有价值的信息，以制定更好地支持用户探索和查找现有本体的策略，从而实现更好的本体重用。为此，我们使用数据采掘技术研究和分组用户根据他们的浏览行为在BioPortal上。此外，我们使用所获得的组来表征和比较探索策略跨本体。特别是，我们能够识别出七种不同的浏览行为类型，它们都使用了BioPortal提供的不同功能。例如，搜索浏览器广泛使用搜索功能，而本体树浏览器主要依赖于类层次结构来浏览本体。此外，我们表明，本体的具体特点影响用户探索和互动的网站。我们的研究结果可能会指导开发更多的面向用户的系统在Web上的本体探索。
2016-10-31 cs.AI cs.DL cs.HC
Evaluating the Fitness of Ontologies for the Task of Question Generation
Umm al-Qura University（乌姆·阿勒·库拉大学）；University of Liverpool（利物浦大学）
本文提出一组针对教学场景中本体适配问题生成任务的评估需求与度量指标，基于ROMEO方法和专家评估推导并验证这些指标，证实本体特征显著影响自动问题生成的有效性。
2025-08-27 cs.AI cs.CL
Transferable Multi-Domain State Generator for Task-Oriented Dialogue Systems
The Hong Kong University of Science and Technology（香港科技大学）；Salesforce Research（赛富时研究院）
对领域本体的过度依赖和跨领域知识共享的缺乏是对话状态跟踪的两个实际问题，但研究较少。现有的方法通常在推理期间跟踪未知时隙值方面存在不足，并且通常难以适应新的域。在本文中，我们提出了一个可转移的对话状态生成器（TRADE），它使用复制机制从话语中生成对话状态，在预测（域，槽，值）三元组时促进知识转移。我们的模型是由一个话语编码器，一个槽门，和一个状态发生器，这是跨域共享。实证结果表明，TRADE在MultiWOZ（一个人与人之间的对话数据集）的五个领域中实现了48.62%的最先进的联合目标准确率。此外，我们通过模拟zero-shot和Few-Shot的对话状态跟踪看不见的领域，它的传输能力。TRADE在其中一个zero-shot域中实现了60.58%的联合目标准确度，并且能够适应Few-Shot情况而不会忘记已经训练过的域。
2019-05-26 cs.AI cs.CL
Find or Classify? Dual Strategy for Slot-Value Predictions on Multi-Domain Dialog State Tracking
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Salesforce Research（Salesforce研究院）；Huazhong University of Science and Technology（华中科技大学）
对话状态跟踪（DST）是面向任务的对话系统中的一个核心组件。现有的DST方法主要分为两大类，即基于本体和无本体的方法。基于本体的方法为每个目标槽从候选值列表中选择值，而无本体的方法从对话上下文中提取跨度。最近的工作引入了一个基于BERT的模型，通过预先定义分类和非分类槽来平衡这两种方法。然而，目前还不清楚这两种插槽类型中的哪一种更好地处理插槽，并且使用预训练模型的方式也没有得到很好的研究。在本文中，我们提出了一个简单而有效的双策略模型DST，通过调整一个单一的BERT风格的阅读理解模型，共同处理的类别和非类别插槽。我们在MultiWOZ数据集上的实验表明，我们的方法明显优于基于BERT的方法，发现关键是域槽和上下文信息之间的深层交互。当在嘈杂（MultiWOZ 2.0）和清洁（MultiWOZ 2.1）设置上进行评估时，我们的方法在两种不同的设置上都具有竞争力和鲁棒性。我们的方法在嘈杂的环境中设置了新的艺术状态，同时在更干净的环境中比最好的模型表现得更鲁棒。我们还对数据集进行了全面的误差分析，包括每个插槽的双重策略的影响，以方便未来的研究。
2020-10-28 cs.AI cs.CL
An Innovative Approach to Addressing Childhood Obesity: A Knowledge-Based Infrastructure for Supporting Multi-Stakeholder Partnership Decision-Making in Quebec, Canada
McGill University（麦吉尔大学）；University of California, Berkeley（加州大学伯克利分校）；Desautels Faculty of Management, McGill University（麦吉尔大学德索泰尔管理学院）；McGill Center for the Convergence in Health and Economics (MCCHE)（麦吉尔健康与经济融合中心）；Department of Epidemiology and Biostatistics, McGill University（麦吉尔大学流行病学与生物统计学系）
本文的目的是描述和分析的发展，以知识为基础的基础设施，以支持MSP的决策过程。该文件出现在一项研究中，以确定规范的知识为基础的基础设施，提供决策支持，社区一级的MSP在加拿大魁北克省。作为研究的一部分，进行了过程评估，以了解社区在收集、组织和分析数据以决定其优先事项时的需求。这一过程的结果是一幅肖像，这是他们社区健康和营养的流行病学概况。画像为战略规划和干预措施的制定提供信息，并用于评估干预措施的影响。我们的主要研究结果表明，MSP决策者对行动和结果之间的因果关系以及决策所需的相关数据存在模糊和分歧。缔约国会议的决策者表示希望有便于收集、组织、综合和分析数据的易用工具，以便能够及时作出决策。研究结果通知概念建模和本体分析，以捕捉领域知识，并指定动作和结果之间的关系。这种建模和分析为使用OWL 2 Web本体语言编码的本体提供了基础。本体的开发提供语义支持的MSP过程中，定义目标，战略，行动，指标和数据源。将来，与本体交互的软件可以促进MSP中决策者以概念、实例、关系和公理的形式进行交互式浏览。我们的本体还促进了社区数据的集成和解释，并可以帮助管理不同知识源之间的语义互操作性。
2019-11-21 cs.AI cs.CY
Learning to Memorize in Neural Task-Oriented Dialogue Systems
The Hong Kong University of Science and Technology（香港科技大学）
在这篇论文中，我们利用神经复制机制和记忆增强的神经网络（MANNs）来解决神经任务导向对话学习的挑战。我们通过在多域对话状态跟踪、基于检索的对话系统和基于生成的对话系统中实现良好的性能来展示我们的策略的有效性。我们首先提出了一个可转移的对话状态生成器（TRADE），利用其复制机制，摆脱对话本体和领域之间的知识共享。我们还评估看不见的域对话状态跟踪，并表明，贸易使zero-shot对话状态跟踪，可以适应新的Few-Shot域，而不会忘记以前的域。第二，我们利用人工神经网络来改善基于检索的对话学习。他们能够捕捉对话顺序的依赖关系，并记住长期的信息。我们还提出了一个记录的delexicalization复制策略，以取代真正的实体值与有序的实体类型。我们的模型被证明超过其他检索基线，特别是当对话有大量的回合。最后，我们用两个模型来处理基于生成的对话学习，即内存到序列（Mem2Seq）和全局到局部内存指针网络（GLMP）。Mem2Seq是第一个将多跳内存注意力与复制机制相结合的模型。GLMP进一步引入了响应草图和双指针复制的概念。我们表明，GLMP实现了最先进的性能对人类的评价。
2019-05-19 cs.AI cs.CL
Systematic Analysis of COVID-19 Ontologies
Department of Library and Information Science, Calcutta University（加尔各答大学图书馆与信息科学系）
本文通过系统综述和参数化评估方法，对24个COVID-19本体从设计方法、形式化程度、词汇重用和领域覆盖等方面进行系统分析，为领域本体比较和未来发展提供参考。
2023-09-15 cs.AI cs.DL cs.IR
